8.10版最新更新（2023年6月15日）
Mplus 版本 8.10 现已推出。Mplus 8.10 版本包括对自 2023 年 2 月发布 8.9 版本以来发现的小问题的修正以及以下新功能：
- 在纵向测量不变性的自动测试中添加残差协方差、残差自回归和随机截距。
- 使用加权最小二乘估计的分类变量的 PSEM（Asparouhov 和 Muthén，（2023a）。
- 新的 PSEM 惩罚函数：LASSO 和 GEOMIN。
- 使用 ALIGNMENT 时 DIFF 先验的附加输出。
- ESEM 允许使用帽子 (^) 语言。
- 特定于簇的随机效应的层间直方图，颜色表示显著性。
- SAVEDATA 用于特定于集群的随机效应。
8.9版最新更新（2023年2月28日）
Mplus 8.9版现已推出。Mplus 8.9版包括对2022年4月发布的8.8版发布以来发现的小问题的更正，以及以下新功能:
8.9版Mplus语言附录以及Mplus 8版用户指南可在网站上找到。
8.8版最新更新（2022年4月26日）
Mplus 8.8 版现已推出。Mplus 版本 8.8 包括对自 2021 年 11 月版本 8.7 发布以来发现的小问题的更正以及以下新功能：
8.7版最新更新（2021年11月1日）
Mplus 8.7 版现已推出。 Mplus 8.7 版包括对 2021 年 3 月 8.6 版发布以来发现的小问题的更正以及以下新功能：
- 观察变量和潜在变量的 SEM 残差之间的回归。 版本 8.1 中引入的新语言用于使用 LAGGED 选项和贝叶斯估计量的 RDSEM 滞后变量残差之间的回归，已扩展到最大似然、加权最小二乘法和贝叶斯估计量的常规单水平模型。 这包括具有残差之间自回归的增长模型和面板数据的随机截距交叉滞后模型（RI-CLPM 和 RI-ARMA）。 Asparouhov & Muthen (2021a) 中描述了新的建模功能，并在 Mplus Web Talk No. 4 中进一步说明。
- RI-CLPM 可使用新的贝叶斯算法获得用于二元和有序分类变量的 RI-CLPM，包括访问 Theta 矩阵的残差参数 (Asparouhov & Muthen, 2021a)。
- RDSEM 残差建模已扩展为包括滞后变量和同时发生的变量（Asparouhov & Muthen (2021a)）。
- TECH10 现在可用于贝叶斯和 WLSMV，具有响应模式的标准化残差和单变量和双变量表，用于使用分类变量进行更全面的模型拟合评估。
- 贝叶斯的 TECH 10 包括对带有分类变量的单变量和双变量表的 Pearson 后验预测检查 (Asparouhov & Muthen (2021a))。
- 添加了对有序变量具有局部依赖性的贝叶斯 LCA 建模（Asparouhov & Muthen，2021a）。
对于最大似然估计量，添加了一种用于两水平建模的改进卡方检验，其中水平间残差为零（Asparouhov & Muthen，2021b）。
- 对于带有贝叶斯估计器的 TYPE = TWOLEVEL，使用 SAVEDATA 命令的 FILE 选项的 * 设置保存多个水平间因子分数（随机效应）的绘制，例如，FILE = between*.dat；
- VARIABLE 命令的 USEOBSERVATIONS 选项的新设置，用于排除没有集群内变化的集群。 这对于样本的一部分不随时间变化的纵向数据很有用。 USEOBSERVATIONS = 变量 EQ _CLUSVAR;
- 新的绘图选项可用于时间序列分析，包括允许星期几效应的阶跃函数、多个循环插入以及每个时间点的直方图。
8.6版最新更新（2021年3月22日）
Mplus版本8.6现在可用。 Mplus 8.6版包含对自2020年11月8.5版发布以来发现的小问题的更正，以及以下新功能：
- 增加了输出功能和新的潜在转换分析计算器，这使解释分析结果更加方便，尤其是在评估协变量对转换概率的影响时。 计算器位于Mplus编辑器的Mplus菜单中。 Mplus Web演讲2：使用Mplus进行潜在转换分析和随机拦截潜在转换分析以及技术附录LTA解释概率，奇数和奇数比率结果的新功能已在其中进行了描述。
- 修订的Mplus Web Note 21第9节中介绍了潜在迁移分析的简化三步估算
- 当存在多个潜在类变量时，例如在潜在转换分析中，每个潜在类变量的熵
- 对DATA命令的TYPE = IMPUTATION选项的贝叶斯估计。 这将为非对称CI提供估算数据。 新功能在技术附录Mplus中使用贝叶斯估计器分析插补数据中进行了描述
- 使用计数变量提高贝叶斯估计的速度
- 用于二进制变量的logit链接的贝叶斯估计的多处理器计算
- 保存使用Analysis命令的BOOTSTRAP选项生成的数据集和参数估计值。 这有助于诊断引导绘图的问题分析。 技术附录 Bootstrap计算问题中介绍了此新功能。
- 使用VARIABLE命令的KNOWNCLASS选项时，采样权重的缩放比例。 这将权重缩放到每个已知类中的总数，这也是使用多组分析完成的
Mplus 版本 8.5，2020 年 11 月 16 日
Mplus 8.5 版现已推出。Mplus 8.5版本包括对自2019年11月发布8.4版本以来发现的小问题的修正以及以下新功能：
- 混合模型的潜在类的自动重新排序
- 使用 logit 链接对计数、名义和二元变量进行贝叶斯估计，用于实际数据分析和具有单个分类潜在变量的单水平、双水平和混合模型的蒙特卡罗模拟研究。贝叶斯估计在具有许多潜在变量的情况下特别有价值，在这些情况下，由于数值积分过多，最大似然将变得难以处理。二元变量的 logit 链接使得比值比解释也可用于贝叶斯(Asparouhov & Muthén, 2020)。
- 对观测变量进行分类潜变量回归的混合模型的贝叶斯估计
- 使用 logit 链接对计数、名义和二进制变量进行数据插补
- 多级数据保存
可以在网站上找到版本 8.5 Mplus 语言附录以及Mplus版本8 用户指南。
Mplus 版本 8.4，2019 年 11 月 19 日
Mplus 8.4 版现已推出。Mplus 8.4版本包括对自2019年4月发布8.3版本以来发现的小问题的修正以及以下新功能：
- 计算要求较高的混合模型的速度显著提高，特别是对于多个潜在类变量，例如潜在转移分析和随机截取潜在转移分析。这些速度改进是通过使用随机启动扰动选项 STARTS 和 STSCALE 的新方法以及新算法来实现的。这些进展在“随机起始值”和“多阶段优化”中进行了描述。第 3 部分的 5 个混合示例的时序表显示了 8.4 版相对于 8.3 版的速度大幅提升。
- 具有多个潜在类变量的混合模型的输出得到显著简化
- 在 3 个领域扩展了贝叶斯拟合统计数据：缺失数据时改进的后验预测 p 值 (PPP)、包括置信区间的贝叶斯 CFI/TLI/RMSEA，以及使用 MODEL TEST 命令对参数限制进行贝叶斯版本的 Wald 检验。
- 具有缺失数据的大型多元三级模型的 ML 估计的改进算法
- CFI/TLI 的蒙特卡罗输出；RMEA 的新摘要
Mplus 版本 8.3，2019 年 4 月 30 日
Mplus 8.3 版本现已推出。Mplus 8.3版本包括对自2018年11月发布8.2版本以来发现的小问题的修正以及以下新功能：
Mplus 版本 8.2，2018 年 11 月 1 日
Mplus 8.2 版现已推出。Mplus 8.2 版包含对自 2018 年 6 月发布 8.1 版以来发现的小问题的更正以及以下新功能：
- XWITH 用于贝叶斯。当包含许多 XWITH 项时，这可以避免使用 ML 进行缓慢的计算。贝叶斯不需要通过机器学习引导来获取非对称置信区间，因为此类区间是其估计的一部分。这适用于没有三向交互的单层模型
- 使用残差动态结构方程模型 (RDSEM) 进行密集纵向数据分析的带或不带潜在中心的分类因变量
- RDSEM 的标准化、残留性和技术4
- 贝叶斯两级分析的速度提高，尤其是随机方差分析
- MODEL CONSTRAINT 命令的 SUM 和 MEAN 选项。有关示例，请参见 DEFINE 命令
Mplus 版本 8.1，2018 年 6 月 5 日
Mplus 8.1 版现已推出。Mplus 版本 8.1 包括对自 2017 年 4 月版本 8 发布以来发现的小问题的更正以及以下新功能：
显示新功能的输入示例在版本 8.1 Mplus 语言附录。
使用残差动态结构方程模型 (RDSEM) 对密集纵向数据进行时间序列分析
使用动态结构方程模型对密集纵向数据进行时间序列分析（Asparouhov、Hamaker 和 Muthén，2018）侧重于某个时间点的结果对一个或多个先前时间点的相同结果的回归。残差动态结构方程模型（RDSEM；Asparouhov、Hamaker 和 Muthén，2018；Asparouhov 和 Muthén，2018a）侧重于某一时间点的结果对同一时间点的一个或多个预测变量的回归。在 RDSEM 中，跨时间的自回归指定为结果的残差。RDSEM 可用于 N=1 和具有两个级别的多级别模型。
Mplus 版本 8，2017 年 4 月 20 日
Mplus 版本 8 现已推出。Mplus版本8包括对自2015年11月版本7.4发布以来发现的小问题的修正以及以下新功能：
- 时间序列分析功能
- N=1 时间序列分析（用户指南 ex 6.23 – 6.28）
- 两水平时间序列分析（用户指南 ex 9.30 – 9.37）
- 跨分类时间序列分析（用户指南 ex 9.38 – 9.40）
- 时间序列图（样本值、ACF、PACF、估计因子得分）
- 其他新功能
- 具有随机方差的两水平建模（用户指南 ex 9.28、9.29）
- 两级随机自相关建模
- 具有随机斜率和随机方差的两水平模型的标准化
- 缺失数据的协变量的随机斜率
- 两级模型的散点图和直方图之内/之间的新功能，包括样本和模型估计的特定于集群的均值和方差
- BSEM 的新后验预测 P 值（PPPP；Hoijtink & van deSchoot，2017；Asparouhov & Muthén，2017）
- 以 HTML 格式输出
时间序列分析
时间序列分析用于分析密集的纵向数据，例如通过生态瞬时评估、经验抽样方法、日记方法和动态评估获得的数据。这样的数据通常具有大量时间点，例如二十到两百个。测量通常在时间上间隔很近。在Mplus中，既可以估计N=1模型，也可以估计各种二级和交叉分类的时间序列模型。这些包括单变量自回归、回归、交叉滞后、验证性因素分析、项目响应理论以及连续、二元、有序分类（有序）或这些变量类型组合的结构方程模型。使用贝叶斯分析进行估计（Asparouhov、Hamaker & Muthén，2017）。有关这些主题的论文可以在我们的时间序列页面上找到。
在线留言
尊敬的客户朋友，如您有任何意见建议，请通过下表反馈给我们，我们会尽快与您联系。
|
400-621-1085
